Page 318 - 《软件学报》2020年第11期

李娜 等:一种基于卷积神经网络的砂岩显微图像特征表示方法 3633

更高的预测表现.实验一中,逻辑回归模型的预测性能在所有模型中表现并不突出,但相比人工定义图像特
征,FeRNet 特征仍取得更高的预测性能,进一步证明 FeRNet 特征对砂岩显微图像的表示能力.
1.0 1.0

0.9 0.9
Accuracy 0.8 F1 0.8

0.7 0.7
LDA DT NB KNN LR MLP RF AdaBoostSVM LDA DT NB KNN LR MLP RF AdaBoostSVM
(a) 精确度指标 (b) F1 指标

Fig.6 Prediction performance of FeRNet features based on different classification models
图 6 基于不同分类模型,FeRNet 特征的预测性能
如图 6(b)所示,当使用 F1 值作为评测指标时,FeRNet 特征与各分类模型结合仍可获得理想的预测表现.相
比其他分类模型,朴素贝叶斯和随机森林模型同样表现出更稳定的预测性能,但随机森林模型的稳定性有轻微
下降.从预测指标的中值和均值角度来看,K 近邻和支持向量机模型相比其他模型仍具有更高的预测表现.但是
相对于精确度指标,两种分类模型的 F1 指标均表现出一定程度的下降.
基于以上分析,FeRNet 特征与各种分类模型结合均可获得理想的砂岩显微图像预测表现,表明 FeRNet 特
征具有良好的普适性.在使用朴素贝叶斯和随机森林分类模型时,FeRNet 网络提取的砂岩显微图像特征可取得
更稳定的预测性能;在使用 K 近邻和支持向量机作为分类模型时,FeRNet 特征在砂岩显微图像自动分类中可取
得更高的平均预测表现.
5 方法讨论

如第 2 节所述,针对带标记砂岩显微图像数量不足问题,本文提出基于滑动窗口的图像扩增预处理方法和
基于卷积自编码网络的权重初始化策略,改善 FeRNet 网络的训练效果,防止过拟合.本节探究两种策略及不同
激活函数的选择对 FeRNet 网络训练的影响.
5.1 图像扩增对FeRNet网络训练的影响
为了探究图像扩增预处理对 FeRNet 网络训练的影响,本文基于未进行图像扩增预处理的 CNN 训练集训练
FeRNet 网络(简记为 FeRNet-),采用该网络提取验证数据集中砂岩显微图像的特征,结合支持向量机和逻辑回归
模型进行实验,与使用图像扩增预处理的 FeRNet 网络的预测性能比较.图 7 列出两种网络提取的特征在不同类
型砂岩的预测表现.
如图 7 所示,与基于未进行图像扩增预处理的 CNN 训练集训练得到的 FeRNet-网络相比,使用图像扩增预
处理的 FeRNet 网络提取的特征在砂岩显微图像自动分类中始终具有更好的预测性能.如图 7(a)和图 7(b)所示,
当使用支持向量机作为分类模型时,相比未使用图像扩增预处理的 FeRNet-网络,使用图像扩增预处理后,
FeRNet 网络提取的特征在 3 种类型砂岩的预测性能均获得提升.特别是在原始数据量较少的长石砂岩和石英
砂岩类型,预测性能提升显著.如图 7(c)和图 7(d)所示,当使用逻辑回归作为分类模型时,与 FeRNet-网络相比,
FeRNet 网络提取的特征在 3 种类型砂岩的预测性能同样获得显著提升.
基于以上分析,对带标记数据较少的砂岩显微图像数据集,本文提出的图像扩增预处理能够显著改善
FeRNet 网络的训练效果.在数据量较少的砂岩类型中,图像扩增处理的作用更加明显.图像扩增预处理在不改
变原始砂岩显微图像语义信息的基础上,通过对原图像的裁剪操作,可实现数据量的倍数级增长,改善网络的训